###{r include=FALSE} install.packages("readxl") install.packages("plotly") install.packages("ggplot2") install.packages("dplyr") install.packages("broom") install.packages("raster") ###

## # A tibble: 6 × 7
##     Año Mes   Lote  Distrito `Nombre Distrito` Residuo  Toneladas
##   <dbl> <chr> <chr>    <dbl> <chr>             <chr>        <dbl>
## 1  2017 enero 1            1 CENTRO            RESTO        5996.
## 2  2017 enero 1            1 CENTRO            ENVASES       138.
## 3  2017 enero 1            1 CENTRO            VIDRIO        503.
## 4  2017 enero 1            1 CENTRO            CLINICOS      127.
## 5  2017 enero 1            1 CENTRO            ORGÁNICA        0 
## 6  2017 enero 3            2 ARGANZUELA        RESTO        2955.

##                                                       Tipo.de.residuo
## 1 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 2 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 3 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 4 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 5 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 6 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
##   Comunidades.y.Ciudades.Autónomas Periodo    Total
## 1                   Total Nacional    2021 16854362
## 2                   Total Nacional    2020 16452778
## 3                   Total Nacional    2019 17034229
## 4                   Total Nacional    2018 17611068
## 5                   Total Nacional    2017 17457709
## 6                   Total Nacional    2016 17141367

###```{r} #heatmap: Muestra la cantidad de residuos por tipo de residuo “TOTAL RESIDUOS” para el año 2010 #usar la base de datos residuos.comunidadesautonomas #no usar la comunidad autónoma “Total Nacional” #usar el color de relleno para diferenciar las comunidades autónomas #usar el título “Cantidad de residuos por total de residuos en España por comunidad autónoma en 2010” #usar la leyenda abajo en pequeño

shapefile_ccaa <- shapefile(“C:/Users/isalc/OneDrive - Fundación Universitaria San Pablo CEU/Documentos/TFG/ComunidadesAutonomas_ETRS89_30N/Comunidades_Autonomas_ETRS89_30N.shp”) data_ccaa <- tidy(shapefile_ccaa) nombres_ccaa <- tibble(shapefile_ccaa$Texto) %>% mutate(id = as.character(seq(0, nrow(.)-1)))

data_ccaa_mapa <- data_ccaa %>% left_join(nombres_ccaa, by = “id”) %>% rename(ccaa = shapefile_ccaa$Texto) #añadir el mapa de las comunidades autónomas de España data_ccaa_mapa %>% ggplot() + geom_polygon(aes( x= long, y = lat, group = group), fill = “black”, alpha = 0.8, size = 0.05 ) + theme_void() + theme(panel.background = element_rect(size= 0.5, color = “white”, fill = “white”)) + labs(title = “CCAA”, subtitle = “España”)

###```

###```{r} #https://rpubs.com/albtorval/595824

data_ccaa_mapa <- data_ccaa %>% left_join(nombres_ccaa, by = “id”) %>% rename(ccaa = shapefile_ccaa$Texto)

data_ccaa_mapa %>% ggplot() + geom_polygon(aes( x= long, y = lat, group = group), fill = “black”, alpha = 0.8, size = 0.05 ) + theme_void() + theme(panel.background = element_rect(size= 0.5, color = “white”, fill = “white”)) + labs(title = “CCAA”, subtitle = “España”) ###```

Este capítulo se centra en un análisis descriptivo de la generación de residuos en España. Para ello, se utiliza la base de datos “Cantidad de residuos urbanos recogidos clasificados por tipo de residuo, periodo y comunidades autónomas” que contiene información sobre la cantidad de residuos generados en España por tipo de residuo y por comunidad autónoma. La base de datos tiene información desde el año 2010 hasta el año 2021. En este análisis, se utiliza la información de los años 2010 a 2021 para ver cómo ha evolucionado la cantidad de residuos en España por tipo de residuo y por comunidad autónoma. A través de varios gráficos, se visualiza esta información y se identifican algunas tendencias y patrones en la generación de residuos en España.

En el gráfico anterior llamado “Evolución de la cantidad de residuos en España por tipo de residuo”, se muestra cómo ha cambiado la cantidad de residuos en España por tipo de residuo en el tiempo. En este gráfico, se puede observar que la cantidad de residuos ha aumentado en general a lo largo de los años, con algunos tipos de residuos que han experimentado un aumento más pronunciado que otros. Por ejemplo, los residuos domésticos y similares han experimentado un aumento constante a lo largo de los años, mientras que los residuos de construcción y demolición han experimentado un aumento más moderado. Este gráfico proporciona una visión general de cómo ha evolucionado la cantidad de residuos en España por tipo de residuo y puede ser útil para identificar tendencias y patrones en la generación de residuos en el país.

#mismo gráfico pero sin el outlier de “10.1.1 Residuos domésticos y similares (domésticos y vías públicas)”

#Evolución de la cantidad de residuos en España por tipo de residuo y comunidad autónoma

#Distribución del total del residuos en España

#Histograma para cada tipo de residuo

#Stacked bar chart por tipo de recogida de residuo

###```{r} #grafico de barras apiladas para ver la cantidad de residuos por tipo de recogida y por año para Andalucía #usar la base de datos residuos.comunidadesautonomas #usar tipo de residuos “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA” #usar la cantidad de residuos en el eje y #usar el año en el eje x #añadir etiqueta de porcentaje en cada barra #usar el color de relleno para diferenciar los tipos de residuos #usar el título “Cantidad de residuos por tipo de recogida en Andalucía”

barras.residuos.recogida.andalucia<-ggplot(data=residuos.comunidadesautonomas[residuos.comunidadesautonomas$Comunidades.y.Ciudades.Autónomas=="01 Andalucía" & residuos.comunidadesautonomas$Tipo.de.residuo %in% c(“TOTAL RESIDUOS MEZCLADOS”, “TOTAL RESIDUOS DE RECOGIDA SEPARADA”),], aes(x=Periodo, y=Total, fill=Tipo.de.residuo)) + geom_bar(stat=“identity”) + labs(title=“Cantidad de residuos por tipo de recogida en Andalucía”, x=“Año”, y=“Toneladas”) + theme(legend.position = “bottom”, legend.text = element_text(size = 6)) + geom_text(aes(label = scales::percent(Total/sum(Total[Tipo.de.residuo == fill & Periodo == x])), y = Total), position = position_stack(vjust = 0.5)) ggplotly(barras.residuos.recogida.andalucia) ###```

#no usar la comunidad autónoma “Total Nacional”

#no usar el tipo de residuo “TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA”

#usar el título “Agrupación de comunidades autónomas en función de sus patrones de residuos”

Filter and select relevant data

residuos.comunidadesautonomas.cluster <- residuos.comunidadesautonomas %>% filter(Comunidades.y.Ciudades.Autónomas != “Total Nacional” & !Tipo.de.residuo %in% c(“TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS”, “TOTAL RESIDUOS DE RECOGIDA SEPARADA”)) %>% select(-c(Comunidades.y.Ciudades.Autónomas, Periodo, Tipo.de.residuo))

Standardize numerical variables

residuos.comunidadesautonomas.cluster <- scale(residuos.comunidadesautonomas.cluster)

Perform k-means clustering with 3 clusters

kmeans_results <- kmeans(residuos.comunidadesautonomas.cluster, centers = 3)

Add cluster assignment to the original data

#residuos.comunidadesautonomas$cluster <- as.factor(kmeans_results$cluster)

Plot the clusters

cluster_plot <- ggplot(residuos.comunidadesautonomas, aes(x = Total, y = cluster, color = cluster)) + geom_point() + labs(title = “Agrupación de comunidades autónomas en función de sus patrones de residuos”, x = “Toneladas”, y = “Cluster”) + theme(legend.position = “none”)

ggplotly(cluster_plot)

###```

###```{r} #Agrupa comunidades autónomas similares en función de sus patrones de residuos #usar la base de datos residuos.comunidadesautonomas #usar análisis de cluster k-means para agrupar las comunidades autónomas #usar la cantidad de residuos por tipo de residuo, año y comunidad autónoma #no usar la comunidad autónoma “Total Nacional” #no usar el tipo de residuo “TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA” #usar el título “Agrupación de comunidades autónomas en función de sus patrones de residuos”

Filter and select relevant data

Standardize numerical variables

residuos.comunidadesautonomas.cluster <- scale(residuos.comunidadesautonomas.cluster)

Perform k-means clustering with 3 clusters

kmeans_results <- kmeans(residuos.comunidadesautonomas.cluster, centers = 3)

Add cluster assignment to the original data

#residuos.comunidadesautonomas$cluster <- as.factor(kmeans_results$cluster)

Plot the clusters

ggplotly(cluster_plot)

#```

##       Año           Mes                Lote              Distrito    
##  Min.   :2017   Length:12893       Length:12893       Min.   : 1.00  
##  1st Qu.:2019   Class :character   Class :character   1st Qu.: 6.00  
##  Median :2021   Mode  :character   Mode  :character   Median :12.00  
##  Mean   :2020                                         Mean   :18.42  
##  3rd Qu.:2022                                         3rd Qu.:18.00  
##  Max.   :2023                                         Max.   :99.00  
##  Nombre Distrito      Residuo            Toneladas      
##  Length:12893       Length:12893       Min.   :   0.00  
##  Class :character   Class :character   1st Qu.:  49.06  
##  Mode  :character   Mode  :character   Median : 190.62  
##                                        Mean   : 628.98  
##                                        3rd Qu.: 594.30  
##                                        Max.   :6922.04

## tibble [12,893 × 7] (S3: tbl_df/tbl/data.frame)
##  $ Año            : num [1:12893] 2017 2017 2017 2017 2017 ...
##  $ Mes            : chr [1:12893] "enero" "enero" "enero" "enero" ...
##  $ Lote           : chr [1:12893] "1" "1" "1" "1" ...
##  $ Distrito       : num [1:12893] 1 1 1 1 1 2 2 2 2 2 ...
##  $ Nombre Distrito: chr [1:12893] "CENTRO" "CENTRO" "CENTRO" "CENTRO" ...
##  $ Residuo        : chr [1:12893] "RESTO" "ENVASES" "VIDRIO" "CLINICOS" ...
##  $ Toneladas      : num [1:12893] 5996 138 503 127 0 ...

## # A tibble: 6 × 7
##     Año Mes   Lote  Distrito Nombre.Distrito Residuo  Toneladas
##   <dbl> <fct> <chr>    <dbl> <chr>           <chr>        <dbl>
## 1  2017 enero 1            1 CENTRO          RESTO        5996.
## 2  2017 enero 1            1 CENTRO          ENVASES       138.
## 3  2017 enero 1            1 CENTRO          VIDRIO        503.
## 4  2017 enero 1            1 CENTRO          CLINICOS      127.
## 5  2017 enero 1            1 CENTRO          ORGÁNICA        0 
## 6  2017 enero 3            2 ARGANZUELA      RESTO        2955.

## # A tibble: 104 × 3
## # Groups:   Año [7]
##      Año Residuo                 Toneladas
##    <dbl> <chr>                       <dbl>
##  1  2017 ANIMALES MUERTOS            129. 
##  2  2017 CARTÓN COMERCIAL           3858. 
##  3  2017 CLINICOS                   4495. 
##  4  2017 CONTENEDORES ROPA USADA      35.2
##  5  2017 Cartón limpieza viaria      650. 
##  6  2017 ENVASES                   76100. 
##  7  2017 ORGÁNICA                   2059. 
##  8  2017 PAPEL-CARTÓN              38334. 
##  9  2017 PILAS                        46.6
## 10  2017 PUNTOS LIMPIOS             8818. 
## # ℹ 94 more rows

## # A tibble: 154 × 3
## # Groups:   Año [7]
##      Año Nombre.Distrito Toneladas
##    <dbl> <chr>               <dbl>
##  1  2017 ARGANZUELA         40357.
##  2  2017 BARAJAS            20288.
##  3  2017 CARABANCHEL        74363.
##  4  2017 CENTRO             82605.
##  5  2017 CHAMARTÍN          48905.
##  6  2017 CHAMBERÍ           46939.
##  7  2017 CIUDAD LINEAL      62168.
##  8  2017 FUENCARRAL         79015.
##  9  2017 HORTALEZA          55504.
## 10  2017 LATINA             67232.
## # ℹ 144 more rows

## # A tibble: 1,848 × 4
## # Groups:   Año, Mes [84]
##      Año Mes   Nombre.Distrito Toneladas
##    <dbl> <fct> <chr>               <dbl>
##  1  2017 enero ARGANZUELA          3564.
##  2  2017 enero BARAJAS             1713.
##  3  2017 enero CARABANCHEL         6490.
##  4  2017 enero CENTRO              6765.
##  5  2017 enero CHAMARTÍN           4294.
##  6  2017 enero CHAMBERÍ            4124.
##  7  2017 enero CIUDAD LINEAL       5496.
##  8  2017 enero FUENCARRAL          6920.
##  9  2017 enero HORTALEZA           4905.
## 10  2017 enero LATINA              5965.
## # ℹ 1,838 more rows

## # A tibble: 1,222 × 4
## # Groups:   Año, Mes [84]
##      Año Mes   Residuo                 Toneladas
##    <dbl> <fct> <chr>                       <dbl>
##  1  2017 enero ANIMALES MUERTOS             9.38
##  2  2017 enero CARTÓN COMERCIAL           310.  
##  3  2017 enero CLINICOS                   465.  
##  4  2017 enero CONTENEDORES ROPA USADA      3.06
##  5  2017 enero Cartón limpieza viaria      51.9 
##  6  2017 enero ENVASES                   6238.  
##  7  2017 enero ORGÁNICA                     0   
##  8  2017 enero PAPEL-CARTÓN              3461.  
##  9  2017 enero PILAS                        6.73
## 10  2017 enero PUNTOS LIMPIOS             743.  
## # ℹ 1,212 more rows

TFG

Inés Salcedo

2024-04-29

Filter and select relevant data

Standardize numerical variables

Perform k-means clustering with 3 clusters

Add cluster assignment to the original data

Plot the clusters

Filter and select relevant data

Standardize numerical variables

Perform k-means clustering with 3 clusters

Add cluster assignment to the original data

Plot the clusters